Đề tài nghiên cứu khoa học cấp cơ sở ứng dụng phương pháp sem neural network để xây dựng mô hình dự báo trái nghiệm khách hàng về dịch vụ ngân hàng số tại các ngân hàng thương mại việt nam

Nghiên cứu ứng dụng SEM-Neural Network dự báo trải nghiệm khách hàng dịch vụ ngân hàng số tại Việt Nam. Mô hình mới, hiệu quả cho NHTM.

• Người hướng dẫn: Ts. Lê Hoàng Anh
• Trường học: Trường Đại Học Ngân Hàng Tp Hcm
• Chuyên ngành: Ứng Dụng Phương Pháp Sem-Neural Network Để Xây Dựng Mô Hình Dự Báo Trải Nghiệm Khách Hàng Về Dịch Vụ Ngân Hàng Số Tại Các Ngân Hàng Thương Mại Việt Nam
• Đề tài: Dự Báo Trải Nghiệm Khách Hàng Ngân Hàng Số: Ứng Dụng SEM-Neural Network Tại Việt Nam
• Loại tài liệu: Đề tài cơ sở
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI NGHIÊN CỨU
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Câu hỏi nghiên cứu
• 1.4. Đối tượng và phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Ý nghĩa nghiên cứu
• 1.7. Kết cấu nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ LUẬN VÀ MÔ HÌNH NGHIÊN CỨU
• 2.1. Lý thuyết về dịch vụ ngân hàng số
• 2.2. Khái niệm dịch vụ ngân hàng số
• 2.3. Khái niệm nhận thức về dịch vụ ngân hàng số
• 2.4. Các lý thuyết liên quan
• 2.5. Lược khảo các nghiên cứu liên quan
• 2.6. Nhận xét về các nghiên cứu trước và mô hình nghiên cứu đề xuất
• 2.7. Giả thuyết nghiên cứu
• 2.8. Tóm tắt chương 2
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Quy trình nghiên cứu
• 3.2. Nghiên cứu định tính
• 3.3. Nghiên cứu định lượng
• 3.4. Phương pháp xây dựng mô hình dự báo trải nghiệm khách hàng về dịch vụ ngân hàng số
• 3.5. Tóm tắt chương 3
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU THỰC NGHIỆM
• 4.1. Mẫu nghiên cứu
• 4.2. Nhập thư viện
• 4.3. Kết quả kiểm định độ tin cậy và phân tích nhân tố khám phá
• 4.4. Kết quả kiểm định độ tin cậy
• 4.5. Kết quả phân tích nhân tố khẳng định
• 4.6. Kết quả ước lượng mô hình SEM
• 4.7. Kết quả ước lượng mô hình MLP
• 4.8. Tóm tắt chương 4
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ
• 5.1. Hàm ý quản trị
• 5.2. Nâng cao tính năng tiện lợi của sản phẩm dịch vụ ngân hàng số
• 5.3. Nâng cao nhận thức thương hiệu cho sản phẩm dịch vụ ngân hàng số
• 5.4. Hạn chế và hướng nghiên cứu trong tương lai
• 5.5. Tóm tắt chương 5
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu Dự báo Trải nghiệm Khách hàng Ngân hàng Số

Trong bối cảnh chuyển đổi số diễn ra mạnh mẽ, trải nghiệm khách hàng ngân hàng số trở thành yếu tố then chốt để các ngân hàng cạnh tranh và phát triển. Ngân hàng số không chỉ là việc số hóa các dịch vụ truyền thống, mà còn là sự thay đổi toàn diện trong cách ngân hàng tương tác với khách hàng. Nghiên cứu này tập trung vào việc xây dựng mô hình dự báo trải nghiệm khách hàng sử dụng kết hợp mô hình SEM và mạng nơ-ron (Neural Network), một phương pháp tiếp cận tiên tiến nhằm nắm bắt và dự đoán hành vi khách hàng. Việc hiểu rõ và dự đoán được trải nghiệm khách hàng giúp các ngân hàng số Việt Nam chủ động cải thiện dịch vụ, nâng cao sự hài lòng và lòng trung thành của khách hàng, đồng thời tối ưu hóa hiệu quả hoạt động. Theo PwC (2018), trải nghiệm khách hàng là một trong ba lý do chính thúc đẩy các ngân hàng chuyển đổi sang ngân hàng số.

1.1. Tầm quan trọng của trải nghiệm khách hàng ngân hàng số

Trải nghiệm khách hàng là yếu tố quyết định sự thành công của ngân hàng số. Khách hàng ngày nay kỳ vọng vào sự tiện lợi, nhanh chóng, và cá nhân hóa trong mọi tương tác. Việc đáp ứng được những kỳ vọng này không chỉ giúp ngân hàng giữ chân khách hàng hiện tại mà còn thu hút khách hàng mới. Một trải nghiệm khách hàng tích cực tạo dựng lòng trung thành, khuyến khích khách hàng sử dụng nhiều dịch vụ hơn, và trở thành những người ủng hộ thương hiệu. Ngân hàng cần liên tục phân tích trải nghiệm khách hàng để hiểu rõ nhu cầu và mong muốn của họ, từ đó điều chỉnh và cải thiện dịch vụ.

1.2. Ứng dụng AI và Machine Learning trong ngân hàng số

Ứng dụng AI trong ngân hàng và học máy (Machine Learning) trong ngân hàng đang mở ra những cơ hội mới để nâng cao hiệu quả hoạt động và cải thiện trải nghiệm khách hàng. Từ việc tự động hóa các quy trình, phát hiện gian lận, đến việc cá nhân hóa dịch vụ và dự đoán nhu cầu khách hàng, AI và Machine Learning đang thay đổi cách ngân hàng hoạt động. Việc sử dụng Predictive Analytics trong ngân hàng cho phép các ngân hàng dự đoán hành vi khách hàng, từ đó đưa ra các quyết định kinh doanh thông minh hơn. Cụ thể trong bài nghiên cứu này, phương pháp tích hợp SEM và ANN được kỳ vọng sẽ mang lại kết quả đột phá trong việc dự báo trải nghiệm người dùng.

II. Thách thức Dự báo CX Ngân hàng Số tại Việt Nam

Mặc dù có nhiều tiềm năng, việc dự báo trải nghiệm khách hàng trong ngân hàng số Việt Nam cũng đối mặt với không ít thách thức. Dữ liệu khách hàng thường phân tán, không đầy đủ, và chưa được chuẩn hóa. Bên cạnh đó, sự thay đổi nhanh chóng của công nghệ và hành vi người dùng đòi hỏi các mô hình dự báo phải liên tục được cập nhật và điều chỉnh. Khó khăn khác đến từ việc thiếu hụt nguồn nhân lực có kỹ năng phân tích dữ liệu và xây dựng mô hình dự báo. Các ngân hàng cần đầu tư vào công nghệ, dữ liệu, và con người để vượt qua những thách thức này và tận dụng tối đa tiềm năng của dự báo CX sử dụng AI.

2.1. Vấn đề thu thập và xử lý dữ liệu khách hàng ngân hàng

Việc thu thập và xử lý dữ liệu khách hàng ngân hàng là một trong những thách thức lớn nhất trong việc dự báo trải nghiệm khách hàng. Dữ liệu thường nằm rải rác ở nhiều hệ thống khác nhau, không được chuẩn hóa, và có thể chứa nhiều thông tin nhiễu. Các ngân hàng cần xây dựng hệ thống thu thập và lưu trữ dữ liệu tập trung, đồng thời áp dụng các kỹ thuật tiền xử lý dữ liệu để làm sạch, chuẩn hóa, và chuyển đổi dữ liệu sang định dạng phù hợp cho việc phân tích và xây dựng mô hình. Bên cạnh đó, vấn đề bảo mật và quyền riêng tư của dữ liệu cũng cần được đặc biệt quan tâm.

2.2. Thay đổi hành vi khách hàng và công nghệ số

Hành vi của khách hàng trong môi trường ngân hàng số liên tục thay đổi do tác động của công nghệ mới. Các mô hình dự báo cần phải linh hoạt và có khả năng thích ứng nhanh chóng với những thay đổi này. Việc sử dụng các phương pháp học máy, đặc biệt là dự báo CX sử dụng Machine Learning, cho phép các mô hình tự động học hỏi từ dữ liệu mới và điều chỉnh để phản ánh chính xác hơn hành vi khách hàng. Các ngân hàng cũng cần thường xuyên theo dõi và phân tích trải nghiệm khách hàng để phát hiện các xu hướng mới và điều chỉnh chiến lược kinh doanh phù hợp.

III. Phương pháp SEM Neural Network Dự báo CX hiệu quả

Nghiên cứu này đề xuất phương pháp kết hợp mô hình SEM và mạng nơ-ron (Neural Network) để dự báo trải nghiệm khách hàng ngân hàng số. Mô hình SEM giúp xác định các yếu tố ảnh hưởng đến trải nghiệm khách hàng và đo lường mối quan hệ giữa các yếu tố này. Mạng Neural Network được sử dụng để xây dựng mô hình dự báo dựa trên các yếu tố đã được xác định bởi mô hình SEM. Phương pháp này cho phép tận dụng ưu điểm của cả hai phương pháp, từ đó nâng cao độ chính xác và hiệu quả của dự báo CX.

3.1. Ưu điểm của mô hình SEM trong phân tích trải nghiệm khách hàng

Mô hình hóa phương trình cấu trúc (Structural Equation Modeling) cung cấp một công cụ mạnh mẽ để phân tích các mối quan hệ phức tạp giữa các yếu tố ảnh hưởng đến trải nghiệm khách hàng. Mô hình SEM cho phép đo lường các biến tiềm ẩn (ví dụ: sự hài lòng, lòng trung thành) thông qua các biến quan sát được (ví dụ: đánh giá về chất lượng dịch vụ, sự tiện lợi). Bên cạnh đó, mô hình SEM cũng cho phép kiểm định các giả thuyết về mối quan hệ giữa các biến này một cách chặt chẽ và khoa học. Với những ưu điểm trên, phương pháp SEM có thể giúp các ngân hàng hiểu sâu sắc hơn về các yếu tố then chốt tạo nên trải nghiệm khách hàng tích cực.

3.2. Sử dụng mạng nơ ron để cải thiện độ chính xác dự báo

Mạng nơ-ron (Neural Network) là một phương pháp học máy mạnh mẽ, có khả năng học các mối quan hệ phi tuyến tính phức tạp từ dữ liệu. Điều này đặc biệt quan trọng trong việc dự báo trải nghiệm khách hàng, vì hành vi của khách hàng thường bị ảnh hưởng bởi nhiều yếu tố khác nhau và có thể không tuân theo các quy luật tuyến tính đơn giản. Bằng cách sử dụng mạng Neural Network, các ngân hàng có thể xây dựng các mô hình dự báo chính xác hơn và đưa ra các quyết định kinh doanh thông minh hơn. Đồng thời, Dự báo CX sử dụng Deep Learning sẽ góp phần thúc đẩy quá trình này hiệu quả hơn.

3.3. Quy trình tích hợp SEM và ANN

Việc kết hợp SEM và ANN sẽ được tiến hành theo quy trình bài bản. Đầu tiên là sử dụng SEM để xác định các yếu tố quan trọng tác động đến trải nghiệm khách hàng ngân hàng số. Kết quả này sẽ dùng làm cơ sở để lựa chọn các biến đầu vào cho mô hình ANN. Sau đó tiến hành xây dựng mô hình ANN, huấn luyện bằng dữ liệu lịch sử và tinh chỉnh các tham số để tối ưu hóa hiệu suất dự báo. Cuối cùng, đánh giá hiệu quả của mô hình kết hợp và so sánh với các phương pháp dự báo truyền thống. Mục tiêu là chứng minh rằng, sự kết hợp này mang lại độ chính xác và tin cậy cao hơn trong việc dự báo trải nghiệm khách hàng, đồng thời cung cấp cái nhìn sâu sắc hơn về yếu tố ảnh hưởng đến sự hài lòng của khách hàng.

IV. Ứng dụng và Kết quả Đo lường Trải nghiệm Khách hàng

Nghiên cứu này tiến hành đo lường trải nghiệm khách hàng thông qua việc thu thập dữ liệu từ khách hàng sử dụng dịch vụ ngân hàng số tại các NHTM Việt Nam. Dữ liệu được sử dụng để xây dựng và kiểm định mô hình SEM và mạng Neural Network. Kết quả nghiên cứu cho thấy phương pháp kết hợp SEM-Neural Network có khả năng dự báo trải nghiệm khách hàng chính xác hơn so với các phương pháp truyền thống. Ngoài ra, nghiên cứu cũng xác định được các yếu tố quan trọng nhất ảnh hưởng đến trải nghiệm khách hàng trong ngân hàng số.

4.1. Các yếu tố ảnh hưởng đến chỉ số trải nghiệm khách hàng

Kết quả nghiên cứu chỉ ra một số yếu tố chính tác động đến chỉ số trải nghiệm khách hàng (Customer Experience Index) trong ngân hàng số, bao gồm: sự tiện lợi của dịch vụ, tính bảo mật, sự tin cậy, tính cá nhân hóa, và chất lượng hỗ trợ khách hàng. Các yếu tố này có mối quan hệ phức tạp với nhau, và ảnh hưởng của chúng có thể khác nhau tùy thuộc vào phân khúc khách hàng và loại dịch vụ ngân hàng số. Việc hiểu rõ tầm quan trọng tương đối của từng yếu tố giúp các ngân hàng tập trung nguồn lực vào việc cải thiện những khía cạnh quan trọng nhất của trải nghiệm khách hàng.

4.2. Hàm ý quản trị và nâng cao trải nghiệm khách hàng ngân hàng

Dựa trên kết quả nghiên cứu, các ngân hàng có thể đưa ra các quyết định quản trị sáng suốt để nâng cao trải nghiệm khách hàng. Ví dụ, ngân hàng có thể đầu tư vào việc cải thiện giao diện người dùng, tăng cường bảo mật, cung cấp dịch vụ hỗ trợ khách hàng 24/7, và cá nhân hóa dịch vụ dựa trên dữ liệu hành vi khách hàng. Bên cạnh đó, các ngân hàng cũng cần liên tục theo dõi và phân tích trải nghiệm khách hàng để đánh giá hiệu quả của các biện pháp cải thiện và điều chỉnh chiến lược kinh doanh phù hợp. Quan trọng nhất là ngân hàng nên cải thiện trải nghiệm khách hàng ngân hàng thông qua việc lắng nghe phản hồi từ khách hàng.

V. Kết luận và Tương lai Ứng dụng SEM Neural Network

Nghiên cứu này đã chứng minh tiềm năng của phương pháp kết hợp SEM-Neural Network trong việc dự báo trải nghiệm khách hàng ngân hàng số. Phương pháp này có thể giúp các ngân hàng hiểu rõ hơn về nhu cầu và mong muốn của khách hàng, từ đó cải thiện dịch vụ và nâng cao sự hài lòng. Trong tương lai, phương pháp này có thể được mở rộng để áp dụng cho các lĩnh vực khác của ngân hàng và các ngành công nghiệp khác. Nghiên cứu này đã đóng góp một bước quan trọng vào việc phát triển các phương pháp phân tích trải nghiệm khách hàng tiên tiến.

5.1. Hạn chế và hướng nghiên cứu trong tương lai

Nghiên cứu này có một số hạn chế, chẳng hạn như phạm vi nghiên cứu chỉ giới hạn trong các NHTM Việt Nam và phương pháp thu thập dữ liệu là chọn mẫu thuận tiện. Trong tương lai, các nghiên cứu có thể mở rộng phạm vi nghiên cứu ra các loại hình ngân hàng khác và sử dụng các phương pháp thu thập dữ liệu ngẫu nhiên để đảm bảo tính đại diện của mẫu. Bên cạnh đó, các nghiên cứu cũng có thể khám phá các yếu tố khác ảnh hưởng đến trải nghiệm khách hàng, chẳng hạn như yếu tố văn hóa và xã hội.

5.2. Tiềm năng phát triển của dự báo trải nghiệm khách hàng

Việc dự báo trải nghiệm khách hàng có tiềm năng phát triển rất lớn trong tương lai. Với sự phát triển của công nghệ AI và Machine Learning, các mô hình dự báo sẽ ngày càng chính xác và hiệu quả hơn. Dự báo trải nghiệm khách hàng có thể được sử dụng để cá nhân hóa dịch vụ, dự đoán churn rate, và tối ưu hóa chiến dịch marketing. Các ngân hàng cần đầu tư vào công nghệ và con người để tận dụng tối đa tiềm năng của dự báo trải nghiệm khách hàng và tạo ra lợi thế cạnh tranh trên thị trường.

Nội dung chính

Báo Cáo Nghiên Cứu: Ứng Dụng Phương Pháp SEM - Neural Network Để Xây Dựng Mô Hình Dự Báo Trải Nghiệm Khách Hàng Về Dịch Vụ Ngân Hàng Số Tại Các Ngân Hàng Thương Mại Việt Nam

---

Tóm tắt nghiên cứu

• Câu hỏi nghiên cứu chính: Những nhân tố nào tác động đến trải nghiệm khách hàng (Customer Experience - CX) đối với dịch vụ ngân hàng số tại các Ngân hàng Thương mại (NHTM) Việt Nam, và làm thế nào để xây dựng một mô hình học máy phi tuyến có khả năng dự báo chuẩn xác trải nghiệm này?
• Phương pháp nghiên cứu tổng quan (Methodology Snapshot): Đề tài triển khai phương pháp tiếp cận phức hợp hai giai đoạn (Hybrid SEM-ANN). Mô hình cấu trúc tuyến tính (SEM) được sử dụng để xác định và kiểm định các mối quan hệ nguyên nhân - kết quả có ý nghĩa thống kê; sau đó, các nhân tố này đóng vai trò là biến đầu vào cho mạng nơ-ron nhân tạo đa tầng (Multilayer Perceptron - MLP) nhằm mô hình hóa và dự báo các quan hệ phi tuyến. Dữ liệu khảo sát thực nghiệm được thu thập từ 443 khách hàng sử dụng dịch vụ ngân hàng số tại Việt Nam.
• Phát hiện cốt lõi: Nghiên cứu xác định được 7 nhân tố then chốt ảnh hưởng đến trải nghiệm khách hàng: Nhận thức chi phí (tác động tiêu cực), cùng 6 nhân tố tác động tích cực gồm Nhận thức tiện lợi, Chất lượng chức năng, Chất lượng dịch vụ, Nhận thức thương hiệu, Nhận thức an toàn, và Khả năng sử dụng. Mô hình mạng MLP chứng minh năng lực dự báo vượt trội với sai số thấp và độ chuẩn xác cao hơn so với mô hình hồi quy tuyến tính truyền thống.
• Hàm ý thực tiễn: Kết quả nghiên cứu cung cấp cơ sở dữ liệu định lượng và công cụ dự báo thực nghiệm giá trị, giúp các NHTM tối ưu hóa giao diện ứng dụng số, thắt chặt bảo mật, tái cơ cấu chính sách phí và nâng cao mức độ hài lòng của khách hàng số.

---

Bối cảnh và tầm quan trọng

Tổng quan tri thức hiện tại (Current State of Knowledge)

Làn sóng chuyển đổi số trong lĩnh vực tài chính - ngân hàng đã và đang tái định hình căn bản phương thức tương tác giữa định chế tài chính và người tiêu dùng. Dịch vụ ngân hàng số (Digital Banking) không đơn thuần là việc mở rộng các kênh điện tử bổ trợ như SMS Banking hay Internet Banking truyền thống, mà là mô hình số hóa toàn diện quy trình, phi chi nhánh vật lý và tự động hóa vận hành 24/7. Trải nghiệm khách hàng số (Digital Customer Experience) đã trở thành trọng tâm chiến lược, quyết định trực tiếp đến lòng trung thành, năng lực cạnh tranh và thu nhập phi lãi của các NHTM.

Khoảng trống nghiên cứu (Research Gap Identified)

Phần lớn các nghiên cứu thực nghiệm trước đây tại các thị trường mới nổi chỉ dừng lại ở việc áp dụng các mô hình cấu trúc tuyến tính cổ điển (SEM/PLS-SEM) để giải thích ý định sử dụng hoặc sự hài lòng. Các mô hình này mặc nhiên giả định mối quan hệ giữa các biến số là tuyến tính, vô tình bỏ qua bản chất phức tạp, đa chiều và có tính phi tuyến trong hành vi tâm lý của người dùng. Đồng thời, các nghiên cứu sẵn có thường tập trung vào giá trị tiện ích chung mà ít khi xem xét đồng thời sự đánh đổi giữa cảm nhận chi phí (các loại phí dịch vụ ngầm định) và chất lượng chức năng kỹ thuật trong trải nghiệm số thực tế.

Tính thời sự và cấp thiết (Timeliness & Relevance)

Tại Việt Nam, cuộc cách mạng công nghệ cùng sự gia tăng nhanh chóng của nhóm khách hàng trẻ, am hiểu công nghệ (tech-savvy) đang đặt các NHTM trước áp lực chuyển đổi sâu sắc. Việc nắm bắt và lượng hóa chính xác trải nghiệm khách hàng không còn là một lựa chọn tiếp thị đơn thuần, mà là điều kiện tiên quyết để tồn tại trước làn sóng cạnh tranh từ các công ty Fintech và ngân hàng thuần số (Neobanks).

Tác động tiềm năng (Potential Impact)

Nghiên cứu mở ra hướng đi mới trong việc ứng dụng công nghệ trí tuệ nhân tạo (AI/Machine Learning) vào phân tích hành vi người tiêu dùng ngành tài chính. Đề tài chuyển hóa các lý thuyết tiếp thị trừu tượng thành công cụ dự báo cụ thể, hỗ trợ các nhà hoạch định chiến lược ngân hàng đưa ra quyết định dựa trên dữ liệu (data-driven decisions) chuẩn xác.

---

Methodology và approach

Thiết kế nghiên cứu (Research Design)

Đề tài áp dụng thiết kế nghiên cứu hỗn hợp kết hợp tuần tự (Sequential Mixed-Methods Design) bao gồm hai giai đoạn chính:

[Nghiên cứu Định tính] -> [Kiểm định Thang đo Sơ bộ] -> [Nghiên cứu Định lượng SEM] -> [Mô hình Dự báo Mạng ANN/MLP]

1. Giai đoạn định tính: Thực hiện nghiên cứu thăm dò thông qua kỹ thuật phỏng vấn sâu cá nhân (in-depth interviews) với 6 chuyên gia tài chính - ngân hàng (kinh nghiệm >5 năm) và 11 nhà quản lý cấp cao tại các NHTM (>10 năm kinh nghiệm) nhằm hiệu chỉnh, hoàn thiện nội dung thang đo phù hợp với bối cảnh thực tế tại Việt Nam.
2. Giai đoạn định lượng: Chia thành nghiên cứu sơ bộ ($n = 150$) để sàng lọc độ tin cậy thang đo và nghiên cứu chính thức ($n = 443$).

Phương pháp thu thập dữ liệu (Data Collection Methods)

• Mẫu khảo sát: Thu thập từ tháng 05/2023 đến tháng 09/2023 thông qua kỹ thuật lấy mẫu thuận tiện phi xác suất. Khảo sát được thực hiện qua mã QR tại quầy giao dịch và biểu mẫu trực tuyến (Google Forms) gửi qua email đến các khách hàng đang sử dụng ứng dụng ngân hàng số của các NHTM cổ phần tại Việt Nam.
• Kích thước mẫu: Tổng số 480 phiếu phát ra, thu về 443 phiếu hợp lệ (vượt mức kích thước mẫu tối thiểu $n = 384$ theo công thức Cochran với độ tin cậy 95% và sai số 5%).

Kỹ thuật phân tích dữ liệu (Analysis Techniques)

Nghiên cứu sử dụng hệ thống phân tích tích hợp dựa trên ngôn ngữ lập trình Python (môi trường Jupyter Notebook) và phần mềm SPSS/AMOS:

• Kiểm định thang đo: Đánh giá hệ số tin cậy Cronbach's Alpha và Phân tích nhân tố khám phá (EFA) để sàng lọc các biến quan sát.
• Phân tích nhân tố khẳng định (CFA) & SEM: Đánh giá tính đơn hướng, độ tin cậy tổng hợp (CR), tổng phương sai trích (AVE), giá trị hội tụ và giá trị phân biệt. Phương pháp ước lượng Hợp lý Tối đa (Maximum Likelihood - ML) được dùng để kiểm định các giả thuyết nghiên cứu tuyến tính.
• Mạng nơ-ron nhân tạo (ANN - Multilayer Perceptron):
  • Lớp đầu vào (Input Layer): Gồm các biến có ý nghĩa thống kê được trích xuất từ SEM.
  • Lớp ẩn (Hidden Layer): Tối ưu hóa số lượng nơ-ron theo 2 phương pháp chuẩn tắc: công thức của Fang & Ma (2009) ($k = \log_2(n)$) và công thức của Yao et al. (1999) / Panahian (2011) ($k = \ln(n)$).
  • Lớp đầu ra (Output Layer): 1 nơ-ron đại diện cho Trải nghiệm khách hàng (CX).
  • Hàm kích hoạt (Activation Function): Hàm Sigmoid được áp dụng cho cả lớp ẩn và lớp đầu ra.

Tính hợp lệ và độ tin cậy (Validity & Reliability)

Tất cả các thang đo đều kế thừa từ các công bố quốc tế uy tín (Mbama & Ezepue, 2018; Venkatesh et al., 2003; Alalwan et al., 2016; Chauhan et al., 2022...) và được chuẩn hóa thông qua tham vấn chuyên gia. Các chỉ số kiểm định độ tin cậy đều thỏa mãn điều kiện nghiêm ngặt của nghiên cứu định lượng xã hội học hành vi.

---

Phát hiện chính

Dựa trên kết quả phân tích thực nghiệm từ 443 mẫu hợp lệ (trong đó 52% nữ, 48% nam; 100% có trình độ đại học trở lên với 20% đạt trình độ thạc sĩ), nghiên cứu ghi nhận các phát hiện then chốt sau:

+-----------------------------------------------------------------------------------+
|                     CÁC YẾU TỐ TÁC ĐỘNG ĐẾN TRẢI NGHIỆM KHÁCH HÀNG                |
+------------------------------------+----------------------------------------------+
| Tác động TÍCH CỰC (+)              | Tác động TIÊU CỰC (-)                        |
| • Nhận thức tiện lợi (Convenience) | • Nhận thức chi phí (Perceived Cost)         |
| • Chất lượng chức năng (Function)  |                                              |
| • Chất lượng dịch vụ (Service)     |                                              |
| • Nhận thức thương hiệu (Brand)    |                                              |
| • Nhận thức an toàn (Security)     |                                              |
| • Khả năng sử dụng (Usability)     |                                              |
+------------------------------------+----------------------------------------------+

1. Xác thực mô hình 7 nhân tố tác động

Mô hình cấu trúc tuyến tính SEM đã kiểm định thành công 7 giả thuyết nghiên cứu với mức ý nghĩa thống kê cao ($p < 0.05$):

• Nhận thức chi phí (H1 - Tiêu cực): Chi phí phát sinh, phí duy trì hoặc cảm nhận về sự bất cân xứng giữa chi phí và giá trị nhận được làm suy giảm đáng kể trải nghiệm của người dùng.
• Nhận thức tiện lợi (H2 - Tích cực): Khả năng chủ động về thời gian, địa điểm và tính linh hoạt trong kiểm soát tài chính cá nhân là động lực hàng đầu gia tăng trải nghiệm tích cực.
• Chất lượng chức năng (H3 - Tích cực) & Chất lượng dịch vụ (H4 - Tích cực): Sự ổn định của hạ tầng CNTT, tốc độ xử lý giao dịch tức thời, khả năng đa nhiệm và hệ thống hỗ trợ 24/7 trực tuyến đóng vai trò then chốt củng cố niềm tin số.
• Nhận thức thương hiệu (H5 - Tích cực): Uy tín và độ nhận diện của ngân hàng thương mại tạo ra tâm lý an tâm, thúc đẩy cảm xúc tích cực khi thực hiện các giao dịch giá trị lớn.
• Nhận thức an toàn (H6 - Tích cực): Tính bảo mật thông tin cá nhân, ngăn ngừa gian lận tài chính và xác thực sinh trắc học là điều kiện tiên quyết giữ chân khách hàng.
• Khả năng sử dụng (H7 - Tích cực): Giao diện thân thiện, luồng thao tác dễ hiểu và quen thuộc giúp giảm tải nỗ lực ghi nhớ và thao tác của người dùng.

2. Sự vượt trội của Mạng Nơ-ron Nhân tạo (ANN/MLP) trong dự báo

Khi đưa 7 nhân tố từ SEM vào mô hình MLP, thuật toán học máy đã mô phỏng thành công các mối tương tác phi tuyến phức tạp. Mức độ chính xác của mô hình MLP đạt mức rất cao, thể hiện qua các chỉ số sai số chuẩn (RMSE) ở cả tập huấn luyện (training set) và tập kiểm thử (testing set) đều ở mức tối thiểu. Phân tích độ nhạy (Sensitivity Analysis) từ mạng nơ-ron giúp bóc tách và xếp hạng tầm quan trọng tương đối đã chuẩn hóa (Normalized Importance) của từng thuộc tính dịch vụ một cách trực quan.

3. Phát hiện bất ngờ về nhận thức rủi ro và chi phí ngầm

Dù 100% mẫu khảo sát có học vấn cao (đại học và sau đại học), độ nhạy cảm về chi phí dịch vụ và nỗi e ngại về an toàn dữ liệu vẫn chiếm tỷ trọng lớn trong tâm lý tiêu dùng. Khách hàng sẵn sàng chuyển dịch sang các kênh thanh toán hoặc ngân hàng đối thủ nếu nhận thấy các khoản phí duy trì không minh bạch hoặc phát sinh lỗi gián đoạn hệ thống.

---

Đóng góp khoa học

Đóng góp về mặt lý thuyết (Theoretical Contributions)

• Tích hợp và mở rộng khung lý thuyết: Đề tài mở rộng các mô hình kinh điển như Thuyết hành vi dự định (TPB) của Ajzen (1991) và Mô hình chấp nhận công nghệ (TAM) của Davis (1989) bằng cách tích hợp trực tiếp cấu trúc trải nghiệm khách hàng đa chiều (nhận thức, cảm xúc, hành vi, đánh đổi chi phí) trong lĩnh vực tài chính số.
• Lấp đầy khoảng trống nghiên cứu thị trường mới nổi: Cung cấp bằng chứng thực nghiệm vững chắc về hành vi khách hàng số tại một quốc gia đang phát triển có tốc độ tăng trưởng kinh tế số cao như Việt Nam.

Đổi mới về mặt phương pháp luận (Methodological Innovations)

• Tiên phong kết hợp SEM - ANN: Đây là một trong những công trình tiên phong tại Việt Nam tích hợp mô hình cấu trúc tuyến tính SEM với mạng nơ-ron học máy Multilayer Perceptron (MLP) trong việc giải quyết bài toán tiếp thị ngân hàng.
• Mã nguồn mở và tính tái lập cao: Toàn bộ quy trình phân tích và thuật toán xây dựng mô hình dự báo được chuẩn hóa bằng mã nguồn Python và công khai trên GitHub, đảm bảo tính minh bạch, khả năng kiểm chứng và tái sử dụng cho các nghiên cứu tiếp theo.

Ứng dụng thực tiễn và chính sách (Practical & Policy Implications)

• Công cụ đo lường thời gian thực: Cung cấp thuật toán cho phép các NHTM tích hợp trực tiếp vào hệ thống Core Banking / CRM để dự báo và cảnh báo sớm mức độ suy giảm trải nghiệm của từng phân khúc khách hàng.
• Định hướng chiến lược quản trị: Đề xuất các giải pháp nâng cao tính năng tiện ích, chuẩn hóa UX/UI, gia cố bảo mật và xây dựng chiến lược định giá dịch vụ số cạnh tranh.
• Khuyến nghị cho cơ quan quản lý: Hỗ trợ Ngân hàng Nhà nước trong việc hoàn thiện khung pháp lý về an toàn thông tin ngân hàng và tiêu chuẩn hóa chất lượng dịch vụ ngân hàng số tại Việt Nam.

---

Đối tượng quan tâm

Nội dung nghiên cứu và mô hình ứng dụng mang lại giá trị thiết thực cho nhiều nhóm đối tượng:

1. Nhà nghiên cứu học thuật & Giảng viên (Academic Researchers):
   • Tiếp cận phương pháp luận phân tích lai (SEM-ANN) ứng dụng trong khoa học xã hội và kinh tế hành vi.
   • Sử dụng khung lý thuyết và bộ thang đo chuẩn hóa làm tài liệu tham khảo cho các công trình nghiên cứu về FinTech, Thương mại điện tử và Chuyển đổi số.
2. Lãnh đạo và Quản lý NHTM (Industry Professionals):
   • Giám đốc Chuyển đổi số (CDO) & Giám đốc Tiếp thị (CMO): Hoạch định chiến lược sản phẩm số lấy khách hàng làm trung tâm (Customer-Centric).
   • Product Owners & UX/UI Designers: Tối ưu hóa tính năng, giảm thiểu các điểm nghẽn thao tác (friction points) trên ứng dụng di động.
   • Bộ phận Quản trị Rủi ro & An ninh Thông tin: Xác định các yếu tố bảo mật tác động trực tiếp đến niềm tin người dùng.
3. Cơ quan quản lý và hoạch định chính sách (Policy Makers):
   • Ngân hàng Nhà nước và các hiệp hội tài chính có thêm dữ liệu thực chứng để xây dựng lộ trình phát triển ngân hàng số quốc gia bền vững.

---

Câu hỏi thường gặp (FAQ)

1. Phát hiện quan trọng nhất của nghiên cứu này là gì?

Nghiên cứu chứng minh rằng trải nghiệm khách hàng số chịu sự chi phối đa chiều từ 7 yếu tố, trong đó Nhận thức tiện lợi, Chất lượng chức năng/dịch vụ và Nhận thức an toàn là những động lực tích cực mạnh mẽ nhất, trong khi Nhận thức chi phí là rào cản tiêu cực rõ rệt nhất.

2. Phương pháp SEM kết hợp Neural Network (SEM-ANN) có ưu điểm gì so với phương pháp truyền thống?

Mô hình hồi quy tuyến tính SEM chỉ kiểm định được các quan hệ tuyến tính một chiều. Việc kết hợp mạng ANN (MLP) cho phép bóc tách toàn bộ các tương tác phi tuyến tính và phi tham số phức tạp, từ đó nâng cao độ chính xác dự báo (Predictive Accuracy) lên mức vượt trội so với các mô hình thống kê thông thường.

3. Kết quả nghiên cứu có thể tổng quát hóa (generalize) cho toàn bộ khách hàng không?

Kết quả có độ tin cậy và khả năng khái quát cao cho phân khúc khách hàng đô thị, có trình độ học vấn từ đại học trở lên tại Việt Nam. Tuy nhiên, đối với các nhóm đối tượng ở khu vực nông thôn hoặc người cao tuổi, cần mở rộng phạm vi mẫu khảo sát để kiểm chứng thêm các yếu tố đặc thù.

4. Hướng nghiên cứu tiếp theo (Next Steps) từ đề tài này là gì?

Các nghiên cứu tiếp theo có thể ứng dụng các cấu trúc học sâu (Deep Learning) nâng cao như Recurrent Neural Networks (RNN) hoặc Transformer để phân tích dữ liệu trải nghiệm dạng chuỗi thời gian (time-series log data), hoặc phân tích cảm xúc thời gian thực từ phản hồi trực tiếp (sentiment analysis).

5. Mô hình này có thể ứng dụng trực tiếp vào hệ thống vận hành của ngân hàng như thế nào?

Các NHTM có thể tích hợp thuật toán MLP (đã được huấn luyện bằng Python) vào hệ thống phân tích dữ liệu lớn (Big Data Analytics) của ngân hàng. Hệ thống sẽ tự động chấm điểm và dự báo trải nghiệm của từng nhóm khách hàng sau mỗi đợt nâng cấp phiên bản ứng dụng hoặc thay đổi chính sách phí.

---

Kết luận

Công trình nghiên cứu của TS. Lê Hoàng Anh (2024) tại Trường Đại học Ngân hàng TP.HCM đã giải quyết trọn vẹn cả mục tiêu lý luận lẫn thực tiễn trong việc đo lường và dự báo trải nghiệm khách hàng số tại các NHTM Việt Nam. Bằng việc kết hợp sáng tạo giữa mô hình phương trình cấu trúc (SEM) và mạng nơ-ron nhân tạo đa tầng (ANN/MLP), đề tài đã đặt nền móng phương pháp luận hiện đại cho các nghiên cứu hành vi tài chính số.

Trong bối cảnh chuyển đổi số đang bước vào giai đoạn chiều sâu, các ngân hàng thương mại cần nhanh chóng đưa các mô hình dự báo học máy vào thực tiễn quản trị, liên tục cải tiến chất lượng chức năng, bảo mật tối đa và tối ưu hóa chi phí để xây dựng trải nghiệm khách hàng số thực sự khác biệt và bền vững.

Trích đoạn nội dung tài liệu

Chương 1 – Giới thiệu đề tài nghiên cứu Chương 2 - Cơ sở lý luận và mô hình nghiên cứu Chương 3 - Phương pháp nghiên cứu Chương 4 - Kết quả nghiên cứu và thảo luận Chương 5 - Kết luận và hàm ý quản trị 5 CHƯƠNG 2: CƠ SỞ LÝ LUẬN VÀ MÔ HÌNH NGHIÊN CỨU 2. Lý thuyết về dịch vụ ngân hàng số 2.1 Khái niệm dịch vụ ngân hàng số Các dịch vụ ngân hàng số ngày nay thường được sử dụng thay thế cho ngân hàng di động hoặc ngân hàng trực tuyến, nên rất khó phân biệt chúng với các dịch vụ kỹ thuật số do ngân hàng truyền thống cung cấp. Tuy nhiên, sự khác biệt cơ bản là sự tồn tại của các chi nhánh vật lý nơi các ngân hàng số chỉ dựa vào cơ sở hạ tầng kỹ thuật số để thực hiện tất cả các loại giao dịch. Nếu như E-Banking chỉ tạo thêm tiện lợi bổ sung so với các ngân hàng truyền thống cho khách hàng với các dịch vụ như SMS Banking, Mobile Banking.

Ngân hàng số thì ngân hàng số phục vụ khách hàng như một ngân hàng đích thực với toàn bộ cấu trúc hệ thống và cơ cấu tổ chức đã được đổi mới, cung cấp tất cả các dịch vụ, sản phẩm kinh doanh dựa trên sự số hóa, cho phép khách hàng thực hiện mọi giao dịch trên website hoặc thiết bị di động. Dịch vụ ngân hàng số không có văn phòng truyền thống, cũng không có giao dịch viên trực tiếp, dịch vụ khách hàng và các hoạt động kinh doanh hoàn toàn tự động (Fathima, 2020; Sha & Mohammed, 2017). Do đó, dịch vụ ngân hàng số có thể giúp các ngân hàng cắt giảm chi phí dịch vụ, gia tăng thu nhập phi lãi. Nghiên cứu về các dịch vụ tài chính và ngân hàng cho thấy rằng số hóa và sự chấp nhận của khách hàng đối với các dịch vụ đã được hình thành và phát triển trong nhiều thập kỷ, chẳng hạn như thông qua các máy giao dịch tự động, ngân hàng di động và ngân hàng trực tuyến (Kaushik & Rahman, 2015).

Tại Indonesia, ngân hàng số được định nghĩa là ngân hàng cung cấp và thực hiện các hoạt động thông qua các kênh điện tử; có trụ sở chính mà không có bất kỳ hoặc văn phòng nào (Otoritas, 2021). Chính phủ Hồng Kông cũng có định nghĩa tương tự về ngân hàng số như Indonesia, là ngân hàng chủ yếu cung cấp dịch vụ ngân hàng bán lẻ thông qua Internet hoặc các hình thức kênh điện tử khác thay vì các chi nhánh thực (Hong Kong Monetary Authority, 2021). Ngân hàng số là các ứng dụng Fintech mang tính cách mạng vượt ra khỏi các quy chuẩn ngân hàng thông thường, hoàn toàn không cần giấy tờ, không cần chữ ký và không có chi nhánh. Do đó, ngân hàng số thay đổi toàn cảnh hệ sinh thái tài chính và cách thức hoạt động của các doanh nghiệp, giúp cải thiện hiệu quả tài chính đồng thời đối mặt với những thách thức về bảo mật và quyền riêng tư (Dharamshi, 2019).

6 Nhìn chung, các ngân hàng ngày nay tập trung vào việc duy trì lòng trung thành của khách hàng thông qua các dịch vụ chất lượng, bán chéo và các mối quan hệ lâu dài thông qua các mối quan hệ cá nhân, dẫn đến việc người tiêu dùng lựa chọn sử dụng (Reichheld, 2003). Chiến lược này đã được thay đổi do chất lượng của dịch vụ ngân hàng kỹ thuật số (Saleem và cộng sự, 2016), nơi liên hệ cá nhân giữa ngân hàng và khách hàng không còn diễn ra nữa, đòi hỏi một khuôn khổ khác. Dịch vụ ngân hàng kỹ thuật số ảnh hưởng đến hoạt động tài chính của các ngân hàng phụ thuộc vào nhận thức và kỳ vọng của khách hàng về chất lượng và giao diện dịch vụ, do đó khái niệm của nó phải bao gồm công nghệ và khuôn khổ các dịch vụ. Theo Tomiuk và Pinsonneault (2001) trong dịch vụ ngân hàng truyền thống, lòng trung thành được có thể được tạo ra dựa trên sự tiếp xúc và tương tác cá nhân trong quá trình cung cấp dịch vụ, thì đối với dịch vụ ngân hàng số, lòng trung thành của khách hàng đạt được dựa trên hiệu quả và độ tin cậy của dịch vụ số hóa.

Ngân hàng kỹ thuật số làm giảm sự tương tác trực tiếp giữa khách hàng và nhân viên ngân hàng và khác với các dịch vụ khác. Do đó, cần có một khung lý thuyết đa dạng để xác định chắc chắn tác động của ngân hàng kỹ thuật số đối với trải nghiệm khách hàng. Khái niệm nhận thức về dịch vụ ngân hàng số Theo quan điểm triết học Mác-Lênin “nhận thức được định nghĩa là quá trình phản ánh biện chứng hiện thực khách quan vào trong bộ óc của con người” (Phạm Văn Đức, 2019). Trong từ điển Bách khoa Việt Nam “nhận thức là quá trình biện chứng của sự phản ánh thế giới khách quan trong ý thức con người, nhờ đó con người tư duy và không ngừng tiến đến gần khách thể”.

Từ điển Tiếng Việt có ghi “nhận thức là quá trình hoặc kết quả phản ánh và tái hiện hiện thực vào trong tư duy; quá trình con người nhận biết, hiểu biết thế giới khách quan, hoặc kết quả của quá trình đó” (Hoàng Phê, 2019). Trong khoa học nhận thức, nhận thức được coi là quá trình xử lí thông tin của tâm trí của bộ não người tham gia hay người điều hành. Nhận thức trong tâm lí học thường đề cập đến việc các chức năng tâm lí của một cá nhân xử lí thông tin (Bernd 7 Meier, 2011). Như vậy các khái niệm đều chỉ ra nhận thức là quá trình xử lí xảy ra trong bộ não để con người nâng cao hiểu biết của bản thân về thế giới.

Trong bối cảnh trải nghiệm dịch vụ của khách hàng, nhận thức được hiểu là quá trình tiếp nhận, mã hoá và xử lí thông tin trong tâm trí khách hàng khi tham gia quá trình trải nghiệm dịch vụ, thông qua đó xây dựng hiểu biết cho bản thân về dịch vụ đó. Thói quen thay đổi của người tiêu dùng và môi trường cạnh tranh mới đang buộc công nghệ phải thay đổi hàng ngày để tồn tại trên thị trường với lợi nhuận hợp lý. Ngành ngân hàng cũng trở thành một phần của cuộc đua khi giải quyết quá trình số hóa là một vấn đề cấp bách. Lĩnh vực này cũng không muốn bị tụt hậu trong một thị trường mà nó đang có đầy đủ các hình thức chuyển đổi.

Nhìn chung, các ngân hàng không được coi là động lực nhanh nhưng với sự cạnh tranh ngày càng tăng trong ngành; các NHTM, đặc biệt là các ngân hàng khu vực tư nhân, đã khởi xướng các nền tảng của dịch vụ ngân hàng số. Các ngân hàng khác nhau đang ứng phó với thách thức kỹ thuật số này bằng cách sử dụng các cách tiếp cận khác nhau và với tốc độ khác nhau. NHTM đã giới thiệu nhiều phương pháp đổi mới khác nhau để thực hiện giao dịch ngân hàng chỉ với các thao tác và thủ tục đơn giản. Tuy nhiên, để sử dụng được dịch vụ này, khách hàng cần phải được trang bị một lượng kiến thức nhất định về khả năng am hiểu các giao dịch, đánh giá các thông tin, áp dụng các chỉ dẫn, cũng như năng lực ứng dụng công nghệ.

Chẳng hạn, khách hàng không cần phải đến chi nhánh ngân hàng để biết những thông tin như biết số dư tài khoản, chuyển khoản, thanh toán hóa đơn hay tìm lời khuyên để đầu tư. Thay vào đó, họ phải có khả năng truy cập và tự xử lí các giao dịch này thông qua phần mềm được ngân hàng trang bị qua điện thoại, ngân hàng trực tuyến. Các máy ATM cũng đã được lắp đặt ở những khu vực xa xôi mà trước đây hầu như không có các cơ sở ngân hàng. Cùng với sự ra đời của các thẻ thông minh như thẻ ghi nợ hoặc thẻ tín dụng, việc nạp tiền và thanh toán hóa đơn dễ dàng trong khi ngồi thoải mái như ở nhà và một số ưu đãi và chiết khấu tốt hơn được cung cấp cho khách hàng như một phần của các tiện ích ngân hàng số.

Những điều này làm tăng mức độ cảm nhận tích cực do tăng tiện ích ngân hàng trong điều kiện khách hàng có nhận thức tối thiểu về khả năng sử dụng và đánh giá dịch vụ. 8 Nhận thức là thiên hướng để hiểu thấu đáo về một trải nghiệm (DeBacker & cộng sự, 2008). Các nghiên cứu trước đây đã tìm thấy sự ảnh hưởng điều tiết của nhận thức lên hành vi phản ứng với một tình huống xã hội cụ thể (Wang Ze & cộng sự, 2017; Van Kleef & cộng sự, 2009). Cụ thể, các cá nhân có nhận thức cao có nhiều khả năng có hành vi dựa vào đánh giá nhận thức của họ và giảm các phản ứng cảm tính là không liên quan (Wang & cộng sự, 2017; Greifeneder & cộng sự, 2011).

Khi một người nào đó tập trung tìm kiếm hoặc phỏng đoán thông tin thì lúc đó nhận thức của họ là cao (Kruglanski & Webster, 1996). Theo lịch sử, lý thuyết hóa trong các ngành khoa học xã hội khác nhau cho rằng các phán đoán chỉ dựa trên thông tin nội dung. Các khách hàng khi sử dụng dịch vụ được giả định để hình thành các phán đoán bằng cách đánh giá một cách có hệ thống tất cả thông tin nội dung có sẵn và thích hợp về dịch vụ theo cách không thiên vị. Các trải nghiệm về dịch vụ có thể được hình thành không chỉ trên cơ sở thông tin nội dung mà còn trên cơ sở cảm xúc, chẳng hạn như tâm trạng tích cực hoặc tiêu cực, có cảm giác tích cực hoặc tiêu cực đối với mục tiêu, cảm thấy dễ dàng hoặc khó khăn khi nhớ lại một số thông tin từ bộ.

Do đó, nhận thức có thể tạo ra những ảnh hưởng mạnh mẽ đến các trải nghiệm. Lý thuyết trải nghiệm khách hàng 2. Khái niệm trải nghiệm khách hàng Trải nghiệm khách hàng được định nghĩa là sự đánh giá, nhận thức và tình cảm của khách hàng về tất cả các cuộc gặp gỡ trực tiếp và gián tiếp với doanh nghiệp liên quan đến hành vi mua hàng của họ (Klaus & Maklan, 2013). Trải nghiệm ngân hàng số bao gồm chất lượng dịch vụ, chất lượng chức năng, giá trị cảm nhận, khả năng tùy chỉnh dịch vụ, tốc độ dịch vụ, mức độ tương tác giữa nhân viên và khách hàng, sự tin tưởng thương hiệu, đổi mới ngân hàng số, khả năng sử dụng được cảm nhận và rủi ro được nhận thức (Mbama & Esepue, 2018).

Đặc biệt, có một số khác biệt trong việc trải nghiệm dịch vụ kỹ thuật số đối với khách hàng trẻ tuổi.